超越输出空间校准：用于时间序列分类选择性可靠性估计的频谱证据捆绑
本文提出一种基于频谱证据捆绑的可靠性估计方法，通过结合输出置信度与全样本频谱描述符（如频带能量、熵、峰值优势等），并在验证门控策略下自动选择是否使用频谱修正，从而在不改变预测结果的前提下提升时间序列分类的可靠性估计性能。在八个UCR/UEA数据集和八种骨干网络上，该方法将Corr-AURC从0.693提升至0.786，并将[email protected]降至0.094。
时间序列分类中的后处理校准通常只是重新映射输出分数，但部署决策（如信任、弃权或复审）取决于高置信度预测是否得到当前时序信号的有效支持。针对这一问题，最新研究《超越输出空间校准：用于时间序列分类选择性可靠性估计的频谱证据捆绑》提出了一种突破性方法。
该方法由Filippo Cenacchi等人提出，旨在解决时间序列可靠性估计的三大缺陷：第一，相同的置信度值可能掩盖不同的时间支撑，导致模型看似自信实则不可靠；第二，平均校准可能遗漏虚假的高置信度错误，即那些预测概率很高但实际错误的样本；第三，输出空间重校准缺乏与输入相关的可审计性，无法回溯到原始信号特征。为此，研究者引入一种验证门控的固定标签可靠性策略，在不改变主干预测的前提下，评估该预测是否值得信任。
具体而言，该方法将输出端的线索与全样本频谱描述符相结合。频谱描述符包括频带能量、熵、峰值优势、周期支持和相位稳定性，这些特征能够捕捉时间序列在不同频率上的行为模式。模型将这些信息融合为一个标量的可靠性估计以及诊断性的频带级证据，从而提供更细致的可信度判断。为了确保频谱修正仅在有益时使用，研究团队设计了一个验证门控机制：仅在正确率排名提升且不违反[email protected]或AURC容限时启用频谱条件调整；否则回退至更安全的输出空间基线。
在八个异构的UCR/UEA数据集、八个时间序列骨干网络家族以及标准重校准器上的实验表明，无约束方法在匹配的评估子集上提升了固定标签选择性可靠性指标，将Corr-AURC从0.693提高到0.779。而验证门控策略进一步将Corr-AURC提升至0.786，并将[email protected]降至0.094。这些结果表明，时间序列分类器的可靠性估计受益于将输出置信度与频谱证据相结合，而验证门控机制可防止无支持的频谱条件化带来的负面影响。该研究为高可靠性需求场景（如医疗诊断、金融预测）中的时间序列模型部署提供了新的技术路线。